La Publicidad, La promoción de venta, RRPP , fuerzas de ventas clase 10
Estimación de los efectos de la publicidad en las ventas. Un … · 2019-02-19 · Estimación de...
Transcript of Estimación de los efectos de la publicidad en las ventas. Un … · 2019-02-19 · Estimación de...
Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania.
Estimation of the effects of advertising on sales. Empirical analysis in Spain and Germany.
Joaquín Sánchez Herrera Doctor en Ciencias de la Información y profesor de la Universidad Complutense de Madrid. [email protected]
Teresa Pintado Blanco Doctora en Ciencias de la Información y profesora de ESIC Business & Marketing School. [email protected]
María Avello Iturriagagoitia Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]
Carmen Abril Barrie Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]
aDResearch_No3.indb 64 04/01/11 9:12
La realización de modelos fiables ha sido una de las mayores preocupaciones del proceso de planificación de marketing en general, y de la comunicación, en particular. Aunque algunas de las técnicas utilizadas hasta el momento podían aplicarse para tal fin, lo cierto es que sus resultados no siempre han satisfecho las expectativas de los responsables en las empresas.
En esta investigación se plantea la necesidad y la posibilidad de conocer la influencia de la publicidad en las ventas, aunque también podría aplicarse a otras variables del marketing. Para ello, se han utilizado datos de panel con una perspectiva interna-cional, profundizando en los casos de España y Alemania. El análisis se ha llevado a cabo por medio de redes neuronales, cuyas características las hacen idóneas para la resolución de este tipo de problemas.
Making reliable models has been one of the greatest concerns of the planning
process in marketing in general, and communication in particular. Although some
of the techniques used until now can be applied to such an end, the truth is that
their results have not always satisfied the expectations of the company’s mana-
gement.
In this investigation we propose the need and possibility of knowing the influence
of advertising on sales, although it could also be applied to other marketing varia-
bles. In order to do so, we have used panel data with an international perspective,
delving specifically into the cases of Spain and Germany. The analysis has been ca-
rried out by means of neuronal networks, whose characteristics make them ideal
for solving these kinds of problems.
RESUMEN
ABSTRACT
Clasificación JEL: M31, M37Palabras clave: publicidad, comunicación, ventas, GRPs, panel, redes neuronales artificiales (RNA)
JEL Classification: M31, M37Key words: advertising, communication, sales, GRPs, panel, artificial neuronal networks (ANN)
Joaquín Sánchez Herrera Doctor en Ciencias de la Información y profesor de la Universidad Complutense de Madrid. [email protected]
Teresa Pintado Blanco Doctora en Ciencias de la Información y profesora de ESIC Business & Marketing School. [email protected]
María Avello Iturriagagoitia Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]
Carmen Abril Barrie Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]
aDResearch_No3.indb 65 04/01/11 9:12
aDResearch ESIC66 Primer semestre, enero-junio 2011
1. IntroducciónLa relación de la publicidad con las ventas es
uno de los temas más ampliamente estudiados
desde hace años. Esto es así por la gran impor-
tancia que tiene para el anunciante, ya que las
inversiones en publicidad suelen ser elevadas y es
difícil poder saber con exactitud qué porcentaje
de ventas está asociado directamente a la realiza-
ción de una campaña. Por otra parte, este tema
también es estudiado debido a la gran variedad
de situaciones y variables que pueden afectar a
esa relación publicidad-ventas.
Además, desde la aparición de los primeros
paneles de detallistas y de consumidores, la acti-
vidad relacionada con la comunicación y el mar-
keting ha dispuesto de información cada vez más
rica y útil para el proceso de toma de decisiones.
En contraste con los micropaneles, de elevada
dimensión transversal y reducida profundidad
temporal, la posibilidad cada vez más evidente de
disponer de un número elevado de observacio-
nes temporales, ha ido desplazando la atención
hacia la modelización de los componentes de se-
ries temporales, modificando además los desa-
rrollos de las teorías tradicionales. No obstante,
la inclusión del tiempo como elemento inheren-
te a estos sistemas complica mucho su análisis,
estimación e interpretación. Además, es frecuente
que en marketing aparezcan relaciones no linea-
les entre las variables de interés (publicidad, pre-
cios, ventas, etc.), que no recogerían los modelos
tradicionales, y que exigirían un conocimiento
exhaustivo del funcionamiento de dichas varia-
bles. La pre-especificación, por tanto, de esas
relaciones supone uno de los inconvenientes
más serios en la extracción de información útil
para las decisiones del área de comunicación.
En el estudio aquí planteado, se toman como
referencia los datos de panel con el fin de realizar
un análisis de la relación “publicidad-ventas” uti-
lizando las redes neuronales artificiales. La apli-
cación al marketing en general, y la publicidad
en particular, de los modelos de redes neuro-
nales aún es escasa y plantea problemas de inter-
pretación que limitan su utilización abierta en
las decisiones relacionadas con estas materias.
2. Revisión teórica
2.1. Revisión de los estudios sobre la rela-ción publicidad-ventas
Son muchos los estudios realizados sobre la rela-
ción entre la eficacia de la publicidad y las ven-
tas, aunque es interesante indicar que gran parte
de ellos se centran en la década de los ’70 y ’80,
etapa cumbre de la modelización en el área de
marketing; profundizar en estos estudios es im-
portante, ya que han servido como base para los
análisis realizados en épocas posteriores.
Una de las investigaciones pioneras en este
sentido, es la realizada por Benesch, que analizó
cómo las modificaciones en la publicidad (ilus-
traciones, medios utilizados, posición del anun-
cio, utilización del color, además de otros ele-
mentos), podían influir en las ventas (Benesch,
1952). Años más tarde, se inició la etapa indica-
da anteriormente, en que la utilización de mode-
los empezó a ser habitual para estudiar estas re-
laciones. Así, Bass y Clarke emplearon diferentes
modelos para analizar el retardo que el efecto de
la comunicación tenía en las ventas de un pro-
ducto dietético para el control de peso (Bass &
Clarke, 1972). En esta misma época, se analiza-
ron los efectos de distintos tipos de comunica-
ción en las ventas de cinco marcas competido-
ras, dando como resultado diversas variaciones
sobre el modelo Koyck, muy utilizado para este
tipo de análisis (Beckwith, 1972). También se
aDResearch_No3.indb 66 04/01/11 9:12
67Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
estudió el efecto que la publicidad de una deter-
minada marca podía tener en las ventas de otra
marca diferente que se dirigía a un segmento de
mercado distinto, estudiándose así las posibles
relaciones entre marcas asociadas a públicos di-
versos (Clarke, 1973).
Por otra parte, en esta etapa dorada de la mo-
delización, también se analizaron los efectos acu-
mulativos de la publicidad en las ventas, de tal
manera que se verificó que el presupuesto inver-
tido en publicidad, en ocasiones producía resul-
tados a largo plazo (Helmer & Johny K. Johans-
son, 1977; Mann, 1975; Parsons, 1976). En este
sentido, también se estudiaron los efectos a corto
y medio plazo de la publicidad en el consumo
familiar, en vez de centrarse en el consumo indi-
vidual, como había sido habitual hasta entonces
(Winer, 1980).
Ya en los ’80, se realizaron análisis comparati-
vos, con el fin de estudiar las diferentes aporta-
ciones presupuestarias de los departamentos de
ventas y de publicidad, a la planificación de la
comunicación en quinientas empresas indus-
triales y de productos de gran consumo (Dubin-
sky, Barry & Kerin, 1981). Además, también se
estudió la publicidad comparativa, que hasta ese
momento había sido analizada desde el punto de
vista de las creencias, actitudes, intenciones, etc.,
que generaba en el consumidor, y que entonces
se analizó para profundizar en los efectos que
dicha publicidad comparativa tenía en las ventas
(Demirdjian, 1983).
Los experimentos han sido ampliamente utili-
zados para analizar la relación publicidad-ventas.
En uno de ellos, puesto en marcha en esta etapa,
se realizó un experimento con un test en una
ciudad, con el fin de analizar si tres niveles dife-
rentes de frecuencia en la publicidad (baja, me-
dia y alta) podían afectar a las compras reali-
zadas (bajas, medias y altas) por tres grupos
distintos de amas de casa (Farris & Reibstein,
1984). Además, a mediados de los ’80, la gran
variedad de modelos existentes para analizar la
relación de la comunicación con las ventas, hizo
que hubiese estudios específicos para profundi-
zar en la idoneidad de cada uno de esos métodos,
como ocurrió en el análisis realizado por Assmus,
Farley y Lehmann, que estudiaron 128 modelos
econométricos que analizaban el efecto de la pu-
blicidad en las ventas, tanto a corto como a largo
plazo (Assmus, Farley, & Lehmann, 1984).
Poco después, algunos investigadores detec-
tan que muchos estudios se centran en el gasto
presupuestario en publicidad en vez de en otros
aspectos, y empiezan a aparecer otros tipos de
investigaciones. Este es el caso del análisis efec-
tuado para estudiar la influencia de la calidad
de la publicidad en las ventas (Arnold, Oum,
Pazderka & Snetsinger, 1987). Y también el es-
tudio basado en los efectos que la publicidad
tiene en el ciclo de vida del producto, esto es, si
la publicidad afecta a que las ventas puedan alar-
gar esa vida del producto; este análisis en con-
creto se realizó con marcas individuales, marcas
que competían dentro de una misma categoría,
así como marcas de diferentes categorías, y en
todas ellas se percibió un efecto similar de la pu-
blicidad en el ciclo de vida del producto, siendo
éste decreciente y gradual (Holak & Tang, 1990).
Dada la importancia que la publicidad en tele-
visión iba cobrando, también empiezan a reali-
zarse estudios específicos para medir los efectos
de esta publicidad (en GRPs) en las ventas, y de
esta forma mejorar la asignación de presupues-
tos publicitarios a la televisión (Gold, 1992).
Además, en esta década de los ’90, aún eran de
interés los efectos retardados de la publicidad en
las ventas, y continuaban los estudios en este
aDResearch_No3.indb 67 04/01/11 9:12
aDResearch ESIC68 Primer semestre, enero-junio 2011
sentido. De esta forma, en el mercado del petró-
leo se percibió que las ventas se debían tanto a la
publicidad pasada como a la actual, aunque se
detectó que los últimos meses eran más impor-
tantes que los años previos; además, también se
observó que la calidad de la publicidad era más
importante que la cantidad, lo cual afectaba de
forma directa a la inversión en los medios de co-
municación (Leach & Reekie, 1996). Como se
comentaba anteriormente, el análisis de los efec-
tos retardados de la publicidad en las ventas ha
sido ampliamente estudiado; sin embargo, hasta
este momento no se examina si ese efecto de re-
tardo es diferente según los medios de comuni-
cación a utilizar, confirmándose que efectiva-
mente, su influencia en las ventas es distinta
(Berkowitz, Allaway, & Souza, 2001).
Por otra parte, también se han comparado los
efectos que la publicidad en televisión y la pro-
moción tenían en las ventas, obteniéndose resul-
tados similares para ambos tipos de comunica-
ción (F. Hansen, L. Y. Hansen, & Grønholdt,
2002). Poco más tarde, se profundizó en los
efectos que la publicidad de tabaco tenía tanto
en el aumento de la cuota de mercado, como en
la transferencia de clientes de una marca a otra,
siendo uno de los resultados que la publicidad
de la competencia no tenía efecto sobre las ven-
tas de otras marcas diferentes (Gius, 2004). Sin
embargo, en otro estudio realizado poco después
para productos de alimentación congelados, se
comprobó cómo diferentes variables del marke-
ting afectaban a las ventas, y se verificó que la
publicidad ayudaba a aumentar las ventas de la
categoría, más que actuar de forma individual
y competitiva en cada una de las marcas (Dubé
& Manchanda, 2005).
A lo largo de esta década, el interés por los
resultados que la publicidad tenía en las ventas
continuó con un estudio basado en los efectos
dinámicos que la publicidad presente y pasada
podía tener en las ventas pasadas y futuras; en
este caso, el estudio se basaba en los intervalos
de tiempo necesarios para que esos efectos se
pudieran percibir, con el fin de establecer límites
en que poder confiar (Franses, 2006). Por otra
parte, también se analizó si la publicidad de la
competencia que aparecía como una interfe-
rencia en un consumidor habitual de una marca,
tenía resultados en las ventas de dicha marca; los
resultados demostraban que efectivamente era
así, y esa publicidad de interferencia podía ser
muy dañina para las compras realizadas habi-
tualmente (Danaher, Bonfrer, & Dhar, 2008).
En fechas más recientes también se ha estu-
diado cómo la publicidad puede afectar a las
ventas de los nuevos productos; en este sentido,
una de las investigaciones realizadas se ha cen-
trado en el lanzamiento de películas en DVD, y
se ha verificado que además de la publicidad pro-
piamente dicha, pueden existir otros factores
que pueden, o bien potenciarla, o bien moderar-
la, como es el caso de las Navidades, otras fechas
señaladas, los Oscar, etc. (Luan & Sudhir, 2010).
2.2. Los datos de panel en los estudios de comunicación y marketing
Utilizar los datos de panel donde se dispone de
observaciones repetidas sobre el mismo indivi-
duo permite especificar y estimar modelos de
marketing y de comunicación más complicados
y a veces más realistas, ya que se tienen en cuenta
tanto la sección cruzada en un momento, como
la serie de tiempo. Esto implica varios benefi-
cios, entre los que se pueden destacar (Baltagi,
1995):
a. Control de la heterogeneidad individual,
ya que en los datos de panel los casos son
aDResearch_No3.indb 68 04/01/11 9:12
69Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
heterogéneos. Si no se controla esta hete-
rogeneidad se corre el riesgo de obtener
resultados sesgados.
b. Los datos son más informativos, presentan
distintos tipos de variabilidades, se tiene
menos colinealidad entre las variables,
más grados de libertad y más eficiencia.
Por ejemplo, la mayoría de los estudios de
series de tiempo presentan el problema de
multicolinealidad. Esto es menos probable
si se adicionan las secciones cruzadas, ya
que incorporan variabilidad y son más in-
formativas.
c. Permiten identificar y medir efectos que
simplemente no se detectan con sólo una
sección cruzada o con sólo una serie de
tiempo.
Permiten construir y probar modelos de com-
portamiento más complicados que los modelos
que son para datos de sólo sección cruzada o de
series de tiempo.
En el área de comunicación y de marketing,
las aproximaciones al análisis de datos de panel
son muchas y muy variadas. Tras una serie de
documentos iniciales que abrieron camino en la
exploración (Bhargava, Franzini & Narendrana-
than, 1982; Breitung & Meyer, 1994; Qua, 1992
y 1994), Levin y Lin (1992) ampliarían sus tra-
bajos y Kwiatowski et al. (1992), Hadri (1998) y
Hadri (1999) propusieron nuevos mecanismos
para datos de panel basados en la hipótesis nula
de estacionariedad frente a la alternativa de no
estacionariedad. Además, Bernard y Jones
(1986) analizaron teorías de crecimiento y con-
vergencia, y Farris y Reibstein (1984) utilizaron
la experimentación apoyada con mediciones a
través de datos de paneles y datos de escáner
para analizar si tres niveles diferentes de frecuen-
cia en la publicidad podían afectar de forma dis-
tinta a las ventas. En el ámbito del análisis pro-
mocional, se encuentran las aportaciones de
Abraham y Lodish (1987); estos autores expu-
sieron un sistema y metodología que permitía
evaluar las promociones al canal de distribución
y las promociones dirigidas a los consumidores.
La evaluación era posible gracias a un sistema
experto que almacenaba información del pasado
para hacer ajustes en procesos posteriores (se-
mejante al modelo ARIMA). Además, para anali-
zar la influencia de la calidad de la publicidad en
las ventas también se midieron estos datos a tra-
vés de un panel (Arnold, Oum, Pazderka &
Snetsinger, 1987).
En 1987 Nielsen en Estados Unidos comien-
za a trabajar de forma masiva con datos del pa-
nel de detallistas en entorno escáner (Scan-
track). Desde ese momento serán sucesivas las
investigaciones que manejan a nivel empírico
datos procedentes de esa fuente. La primera de
ellas es publicada por un grupo de profesores
universitarios y estudioso de la multinacional
A.C.Nielsen: Wittink, Addona, Hawkes y Porter
(1987). Su trabajo propone y analiza el modelo
SCAN*PRO con el que se pretende estimar los
efectos de las promociones basándose en datos
de Nielsen provenientes del SCANTRACK. Otro
ejemplo de la importancia que iban adquirien-
do los datos escáner de aquellos años es el tra-
bajo de Capps (1989) en el que analiza empíri-
camente la demanda y las acciones de marketing
y promocionales para productos cárnicos utili-
zando estos datos. Tras un largo paréntesis de
varios años, habiendo pasado la euforia inicial
de los primeros datos escáner, dos profesores,
Inman y McAlister (1993), crean un modelo
para analizar la política promocional en los de-
tallistas. Consideran lo que llaman la sensibili-
aDResearch_No3.indb 69 04/01/11 9:12
aDResearch ESIC70 Primer semestre, enero-junio 2011
dad de la señal promocional (“promotion signal
sensivity”) como una variable dentro del modelo
de rentabilidad del detallista. Mulhern y Padgett
(1995) presentan un estudio de la relación entre
los precios regulares de los productos y las ven-
tas producidas por la promoción, incluyendo la
naturaleza multiproducto de las promociones de
precio. El panel también se utiliza para estudiar
los efectos de la publicidad en televisión en las
ventas y preferencia de marcas de las amas de
casa (Tellis & Weiss, 1995).
Desde 1996 se dispara la producción de in-
vestigaciones basadas en los datos escáner de
panel de detallistas. El primer trabajo se publica
en enero de ese mismo año, es de Dhar y Hoch
(1996). Pocos meses después, en abril de ese
mismo año, se publica el trabajo de Narasimhan,
Neslin y Sen (1996), en el que investigan sobre
la relación entre la categoría de producto y la
elasticidad promocional. Solo tres meses des-
pués, Litwak (1996), analiza las ventas de un
número mayor de categorías de producto duran-
te todo un año.
Son también recientes las concepciones de
Jonas Andersson y Johan Lyhagen (1999) sobre
la base de los llamados modelos de memoria a
largo plazo. Las anteriores aportaciones teóricas,
han servido de base para el desarrollo de recien-
tes aplicaciones prácticas, facilitándose el uso de
modelos de panel con elevada dimensión tem-
poral y transversal simultáneamente. De esta
forma, para comparar los efectos que la publici-
dad en televisión y la promoción tenían en las
ventas, se utilizó el modelo STAS (Short-Term
Advertising Strength, creado por John Philip
Jones en 1995) y un modelo de regresión logís-
tica, obteniéndose la información de un panel de
mil personas que diariamente recogían la infor-
mación de los medios que veían y las compras
que realizaban; para analizar la exposición en
televisión se utilizó como medida el número de
OTSs (Opportunity-to-see) (F. Hansen, L. Y. Han-
sen, & Grønholdt, 2002). Poco más tarde, tam-
bién se profundizó en los efectos que la publici-
dad de tabaco tenía tanto en el aumento de la
cuota de mercado, como en la transferencia de
clientes de una marca a otra, utilizando datos
de panel con un análisis de ecuaciones lineales
(Gius, 2004).
La primera reseña bibliográfica de un autor
español utilizando datos escáner del panel de de-
tallistas, tiene lugar en marzo de 1997 y es de una
investigadora especialista en gestión de catego-
rías. Gómez (1997) destaca dentro de los mode-
los econométricos más avanzados el SCAN*PRO
para reflejar el impacto de las promociones sobre
las ventas de una referencia y sobre una categoría
en su conjunto. En diciembre de ese mismo año,
y siguiendo esta misma línea de investigación,
Yustas (1997) hace una descripción algo más de-
tallada de lo que están suponiendo las nuevas
tecnologías en entorno escáner del panel de deta-
llistas. Señala las características del nuevo panel
de detallistas, define los conceptos de ventas base
(“baseline”) y ventas incrementales, y enumera
nuevos indicadores útiles para profundizar en el
análisis de las promociones.
2.3. Métodos y técnicas de análisis uti-lizadas en el estudio de la relación publicidad-ventas
La relación entre la publicidad y las ventas ha
sido estudiada con análisis muy variados, gene-
ralmente cuantitativos, teniendo la experimen-
tación un peso importante en los mismos. De
esta forma, para analizar las modificaciones en
la publicidad y su influencia en las ventas, se
utilizó un experimento controlado en un estu-
aDResearch_No3.indb 70 04/01/11 9:12
71Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
dio pionero, que explicaba además las dificul-
tades de obtener condiciones adecuadas para
realizarlo, así como para controlar debidamente
las variables de dicho experimento (Benesch,
1952). Con experimentación también se han
estudiado los efectos a corto y medio plazo de la
publicidad en el consumo familiar (Winer, 1980),
así como la influencia de la publicidad compa-
rativa en las ventas, a través de un experimento
realizado con alumnos en clases y también en
supermercados (Demirdjian, 1983).
Años más tarde, la experimentación permitió
averiguar que la calidad de la publicidad era
más importante que la cantidad, y que esto afec-
taba directamente a la inversión en los medios
de comunicación; para ello, se utilizó un expe-
rimento con variantes del modelo de retardos
distribuidos de Koyck (Leach & Reekie, 1996).
Además, los experimentos se utilizaron para
analizar el efecto de retardo de la publicidad en
función de los medios de comunicación utiliza-
dos (Berkowitz, Allaway, & Souza, 2001), así
como sus influencias (tanto positivas como ne-
gativas) en las ventas futuras (Simester, Hu,
Brynjolfsson, & Anderson, 2009).
Por otra parte, las técnicas de análisis multi-
variable han sido las más habituales. En este sen-
tido, para estudiar los efectos de distintos tipos
de publicidad en las ventas de cinco marcas
competidoras se utilizó la estimación por míni-
mos cuadrados, así como coeficientes de regre-
sión y estimadores multivariables (Beckwith,
1972), y en su día, también se empleó un nove-
doso análisis para estudiar la interacción entre la
publicidad y las ventas, el análisis espectral cru-
zado combinando diferentes series temporales
(Barksdale, Hilliard, Guffey & Hugh 1974). Asi-
mismo se utilizó una función sigmoidal, anali-
zando estadísticamente la curva logística, con el
fin de estudiar la relación entre la publicidad y
la cuota de mercado (J. K. Johansson, 1979), y se
empleó poco tiempo después el análisis multiva-
riable de la varianza MANOVA para examinar las
diferentes aportaciones presupuestarias de los
departamentos de ventas y de publicidad (Du-
binsky, Barry & Kerin, 1981). Posteriormente, se
estudiaron los efectos que la publicidad tiene en
el ciclo de vida del producto, utilizándose dos
fases con un test Pierce-Haugh, un análisis uni-
variable ARIMA, así como un análisis chi-cua-
drado (Holak & Tang, 1990).
Mención especial merecen la gran cantidad
de modelos generados para analizar los efectos de
la comunicación en las ventas. Por una parte,
para estudiar el resultado que la publicidad de
una determinada marca podía tener en las ventas
de otra marca diferente, se utilizó uno de los
modelos más habituales, el modelo de Koyck
(Clarke, 1973).
Para examinar los efectos acumulativos de la
publicidad en las ventas se emplearon diferentes
modelos basados en funciones de retardos distri-
buidos modales, y se profundizó en los resulta-
dos con los modelos Nerlove-Arrow y el modelo
Koyck (Mann, 1975). Con este mismo objetivo
también se ha utilizado el modelo Racher (Par-
sons, 1976), la función de transferencia de Box-
Jenkins (Helmer & Johny K. Johansson, 1977),
así como una comparación entre los modelos de
Koyck y de Peles (Clarke, 1979; Peles, 1979).
Por otra parte, para comprobar cómo las dife-
rentes variables del marketing afectaban a las
ventas, y comprobar si la publicidad ayudaba a
aumentar las ventas de una categoría, se utilizó
un modelo estructural de ecuaciones, basado en
el equilibrio perfecto de Markov (Dubé & Man-
chanda, 2005), y para profundizar en los efectos
dinámicos de la publicidad presente y pasada en
aDResearch_No3.indb 71 04/01/11 9:12
aDResearch ESIC72 Primer semestre, enero-junio 2011
las ventas, se utilizó un modelo ADL (autore-
gressive distributed lag model) (Franses, 2006).
3. Planteamiento de hipótesisLa mayoría de las investigaciones publicadas
plantean una relación indirecta, pero positiva, de
la publicidad y las ventas, sin embargo, no son
muchos los modelos que incluyen efectos com-
petitivos y tratan de generalizar los hallazgos
desde una perspectiva internacional de los mer-
cados. Las generalizaciones han venido casi
siempre desde la inclusión de diferentes catego-
rías de productos, pero no desde la inclusión de
diferentes mercados geográficos.
En definitiva, y tomando como referencia los
estudios más relevantes sobre este tema, se plan-
tean las siguientes hipótesis de trabajo:
• H1. La presión publicitaria tiene un efecto
menor que el resto de las variables de mar-
keting, pero positivo sobre las ventas de
una marca (Berkowitz, Allaway, & Souza,
2001).
• H2. La presión publicitaria de la compe-
tencia ejerce una influencia negativa sobre
las ventas de una marca (Danaher, Bonfrer,
& Dhar, 2008).
• H3. La presión publicitaria ejerce una in-
fluencia positiva sobre otras marcas del
mismo fabricante. Este efecto de sinergia
se contrapone, por tanto, a la existencia de
un efecto de canibalización entre marcas
de una misma compañía.
4. MetodologíaPara la realización de este estudio comparativo
se escogieron dos países, en la categoría de deter-
gente para lavavajillas, y se utilizaron datos prove-
nientes del panel de detallistas mediante escáner
de Nielsen. Se eligieron Alemania y España para
la realización del análisis comparativo, ya que la
marca de referencia era la misma en ambos mer-
cados. Existen algunas diferencias inevitables
entre ambos mercados (las cuotas de mercado
varían, y la presencia de la marca del distribui-
dor en Alemania es mucho menor que en España
en la categoría), pero ninguna de estas diferen-
cias afectan de forma directa a la presión publi-
citaria realizada en ellos.
Para cada uno de los dos países se contó con
tres años de información (2002, 2003 y 2004),
recogidos semanalmente. Además, la informa-
ción correspondiente a la presión publicitaria,
medida en GRPs, fue recogida de los paneles de
audiencias de TNS.
Las relaciones entre publicidad y ventas, tal
y como se ha puesto de relieve en los apartados
anteriores, es compleja. Las relaciones funcio-
nales pueden ser no lineales, los efectos suelen
ser retardados, como en el modelo propuesto
por Koyck, e interaccionan con el resto de varia-
bles de marketing (precio, distribución y pro-
mociones de ventas, fundamentalmente). Por
todo ello, las redes neuronales artificiales se uti-
lizaron como herramienta de análisis, ya que
permite tener en cuenta todas las particulari-
dades inherentes a la comunicación publicitaria
y su relación con las ventas.
En su origen, las redes neuronales fueron el
intento de poder realizar una simulación infor-
matizada del comportamiento del cerebro hu-
mano. Algunas de las características del cerebro
son también deseables para cualquier sistema de
procesamiento, entre estas características se en-
cuentran:
d. La robustez y tolerancia a fallos, ya que dia-
riamente mueren neuronas sin afectar a su
funcionamiento.
aDResearch_No3.indb 72 04/01/11 9:12
73Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
e. La flexibilidad, se ajusta a nuevos ambien-
tes por aprendizaje, no hay que progra-
marlo.
f. La facilidad de manejo de información di-
fusa, con ruido o inconsistente.
Sin embargo, algunos de los inconvenientes
que tiene el uso de redes neuronales son los
siguientes:
g. Complejidad de aprendizaje para grandes
tareas.
h. Tiempo de aprendizaje elevado; los mo-
delos neuronales precisan elevados requi-
sitos de cómputo.
i. Dada las especificaciones del problema,
se desconoce la topología que la va a so-
lucionar de forma más eficiente. Hay que
utilizar el método de prueba de error y la
experiencia del diseñador.
j. Dificultad de interpretar a posteriori lo que
ha aprendido la red (caja-negra), y en caso
de que se produzca un fallo en el apren-
dizaje será complicado detectar las causas
de este.
k. Necesidad de muchos datos de entrena-
miento para un correcto aprendizaje y ge-
neralización posterior.
Existen dos sistemas de aprendizaje básicos
que influyen en la estructura de la red y en sus
resultados: el supervisado y el no-supervisado.
En el aprendizaje supervisado, las entradas y sa-
lidas de la red son conocidas de antemano. En
este caso, la red se entrena al ir conociendo las
relaciones que se producen entre los datos de
entrada y los datos de salida. Por tanto, el inves-
tigador conoce cuáles son exactamente los resul-
tados que desea obtener con la red. En el apren-
dizaje no-supervisado, se conocen los datos de
entrada pero no los de salida. Por tanto, la red no
tiene modelos de los que aprender y la respuesta
obtenida es algún tipo de relación entre los datos
de entrada. A menudo se producen salidas en
forma de grupos de datos similares entre sí,
como ocurre en un procedimiento de clustering.
Por otra parte, el modo de operación hace re-
ferencia a la forma en que la red neuronal proce-
sa los estímulos externos y crea la respuesta de
salida. Una red puede pertenecer a las siguientes
categorías:
a. Redes estáticas: una vez establecido el va-
lor de las entradas, las salidas alcanzan un
valor estacionario independientemente de
las entradas en el instante anterior, y en un
tiempo siempre por debajo de una cota
concreta. Estas redes se pueden caracte-
rizar estructuralmente por la inexistencia
de bucles de realimentación y de elemen-
tos de retardo. Debido a su funcionamien-
to, tienen una capacidad limitada para sin-
tetizar funciones dependientes del tiempo
en comparación con el siguiente tipo.
b. Redes dinámicas: responden de forma di-
ferente ante distintas secuencias de entra-
das, haciendo uso de manera implícita o
explícita de la variable tiempo. Este aspec-
to las hace en principio más idóneas que
las redes estáticas para la síntesis de fun-
ciones en las que aparezca de alguna forma
el parámetro tiempo. (Ver Tabla 1 · pag.85)
Las aplicaciones en comunicación y marke-
ting de las RNA son cada vez más frecuentes,
aunque rara vez traspasan el ámbito académi-
co. La Tabla 2 muestra de forma breve algunas
de las aportaciones más interesantes en este
campo. Cada uno de los tres modelos desarro-
llados fue estimado mediante RNA, y para po-
aDResearch_No3.indb 73 04/01/11 9:12
aDResearch ESIC74 Primer semestre, enero-junio 2011
der evaluar su grado de ajuste, se utilizó un
periodo de 15 semanas que no fue utilizado
durante la fase de aprendizaje de la red, y que
sería útil para comparar las predicciones reali-
zadas por la red frente a los datos originales
reales.
Fuente: Vivaracho, C. E. y Moro, Q. I.
Tabla nº 1 · Tipos de aprendizaje
ParadigmaRegla de aprendizaje
Arquitectura Algoritmo de aprendizaje Tareas
Supervisado Corrección del error
Boltzmann
Competitivo
Percepción o perceptrón multicapa.
Elman y Jordan recur-rentes
Recurrente
Competitivo
Red ART
Algoritmos de aprendizaje perceptrón, retropropagación del error.ADALINE.MADALINE
Retropropagación del error
Algoritmo de aprendizaje BoltzmannLVQ
ARTMap
Clasificación de patrones, aproximación de funciones, predicción, control.
Síntesis de series temporalesClasificación de patrones
Categorización intra-clasecompresión de datos
Clasificación de patrones, categorización intra-clase
No supervisado Corrección del error
Competitiva
Red de Hopfield
Multicapa sin realimentaciónCompetitiva
SOM
Redes ART
Aprendizaje de memoria asociativaProyección de Sannon
VQ
Kohonen SOM
ART1 · ART2
Memoria Asociativa
Análisis de datos
Categorización, compresión de datos
Categorización análisis de datos
Categorización
Por refuerzo Hebbian Multicapa sin realimen-tación
Sin realimentación o competitiva
Análisis lineal de discrimi-nante
Análisis de componentes principales
Análisis de datos clasifi-cación de patrones
Análisis de datos compre-sión de datos
Híbrido Corrección de er-ror y competitivo
Redes RBF Algoritmo de aprendizaje RBF
Clasificación de patrones, aproximación de funciones, predicción, control
aDResearch_No3.indb 74 04/01/11 9:12
75Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
Tabla nº 2 · Redes Neuronales Artificiales en la Comunicación y el Marketing
Título Autor Publicación Año Aportaciones
Identification of factors predicting clickthrough in Web searching using neu-ral network analysis
Zhang, Jansen, Spink
Journal of the American Socieety for Information Science & Technology
2009 Las redes neuronales se utilizan para identi-ficar los factores que ayudan a predecir las búsquedas en Internet, así como el click-through rate.
Market orientation and performance: modelling a neural network
Silva, Moutinho, Coelho,Marques
European Journal of Marketing
2009 Estudio centrado en analizar el rendimiento de la orientación al mercado, utilizando las redes neuronales
Understanding the effects of pharmaceutical promo-tion: a neural network approach guided by genetic algorithm-partial least squarres
Chee Wooi, Kirikoshi
Health Care Manage-ment Science
2008 Investigación sobre los efectos que la pro-moción de productos farmacéuticos tiene en las prescripciones posteriores
Shelf space assigned to store and national brands: a neural networks analysis
Suárez, M.G. International Journal of Retail & Distribution Management
2005 Las redes neuronales se utilizan para analizar el espacio asignado a los productos en las estanterías de los establecimientos.
An Artificial Neural Net Attraction Model to anal-ize market share effects of marketing instruments.
Harald Hruschka Schmalenbach Business Review : ZFBF
2001 Utilizando datos de panel, se demuestra la idoneidad de esta técnica en el análisis de la elasticidad de los precios.
Data mining and model-ing as a marketing activity.
James J Vanecko, Andrew W Russo
Direct Marketing 1999 Introducción conceptual a las RNA y a técnicas alternativas de estimación en el marketing directo.
Comparing performance of feedforward neural nets and K-means for cluster-based market segmenta-tion.
Hruschka, Harald, Natter, Martin
European Journal of Operational Research
1999 Comparación de las RNA y del algoritmo K-medias para segmentación en marketing.
Neural networks for the analysis and forecasting of advertising and promotion impact
Poh, Jingtao, Teo International Journal of Intelligent Systems in Accounting Finance & Management
1998 Las redes neuronales se utilizan para pre-decir el impacto de la publicidad y la pro-moción de ventas.
Applying neural comput-ing to target marketing.
Zahavi, Jacob, Levin, Nissan.
Journal of Interactive Marketing.
1997 Aplicación de las RNA al marketing directo, optimizando las tasas de respuesta propor-cionadas por otras técnicas auxiliares.
Prediction of customer segments with neural nets.
Kvaal, Knut, Dj-upvik, Harald
Marketing and Research Today.
1996 Análisis y clasificación de individuos, cuando el número de segmentos a los que pertene-cen es conocido.
(Continúa en página siguiente)
aDResearch_No3.indb 75 04/01/11 9:12
aDResearch ESIC76 Primer semestre, enero-junio 2011
Para la aplicación del modelo neuronal, se
utilizaron algoritmos genéticos, que dieron como
resultado una topología neuronal con dos capas
ocultas que se presenta en la Figura 1. En este
caso, la red era de aprendizaje supervisado, y
con componentes recurrentes para incorporar el
efecto tiempo (red dinámica).
Como variables dependientes o neuronas de
salida, se utilizaron las ventas en volumen de la
Marca A. En el estudio se utilizaron dos marcas
que pertenecían al mismo fabricante, y que deno-
minaremos marcas A y B. El objetivo es incorpo-
rar posibles efectos de canibalización o sinergias
entre estas dos marcas. También se incorporaron
dos marcas competidoras, identificadas como
“competidor 1” y “competidor 2”. Finalmente, se
incluyó la marca del distribuidor, dada la impor-
tancia de su presencia en este mercado.
5. ResultadosTras el entrenamiento de la red, en el que no se
incluyeron 15 periodos para utilizarlos como
muestra de validación, los resultados de ajuste
para Alemania fueron del 92.5%. El Gráfico 1
muestra las ventas reales frente a las estimadas
por el modelo neuronal.
Título Autor Publicación Año Aportaciones
Using neural nets to ana-lyze qualitative data.
Moore, Karl, Burbach, Robert, Heeler, Roger
Marketing Research 1995 Análisis de textos derivados de técnicas de investigación cualitativas con RNA.
Modelling methodology: Basics to neural nets - A return to ignorance?
Freeman, Paul, Rennolls, Keith
Market Research Society. Journal of the Market Research Society.
1994 Los autores cuestionan la posibilidad de interpretar correctamente los resultados de una red neuronal en marketing y en comu-nicación, y sus aplicaciones en la práctica real de las organizaciones.
Figura 1 · Topología Neuronal
Tabla 3 · Variables incluidas en el análisis para cada una de las marcas
Distribución ponderada
Promoción Precio
Promoción Folleto y Exposición especial
Promoción Folleto
Promoción Exposición especial
Precio
GRP’s
Las variables independientes, o neuronas de
entrada, utilizadas para el análisis fueron las que
se mencionan en la Tabla 3. Todas las variables
que se analizaron fueron las mismas para todas
las marcas, excepto para la marca del distribui-
dor, que no mostraba actividad publicitaria en el
período de estudio, y también fueron las mismas
para España y Alemania.
aDResearch_No3.indb 76 04/01/11 9:12
77Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
El periodo de validación de 15 semanas también ofreció un ajuste satisfactorio, del 98.3%. El Grá-
fico 2 muestra las diferencias entre las ventas reales y las predicciones realizadas por la red neuronal.
Gráfico 2 · Ventas reales y ventas previstas por la RNA.
Marca A. Alemania (período de validación)
Gráfico 1 · Ventas reales y ventas estimadas a lo largo del tiempo
Marca A. Alemania.
aDResearch_No3.indb 77 04/01/11 9:12
aDResearch ESIC78 Primer semestre, enero-junio 2011
En el caso de España, los resultados no fueron
muy distintos. Se obtuvo un 98% en el período de
entrenamiento y un 99% en el periodo de valida-
ción. Los Gráficos 3 y 4 muestran estos ajustes.
Gráfico 3 · Ventas reales y ventas previstas por la RNA. Marca A. España
Gráfico 4 · Ventas reales y ventas previstas por la RNA.Marca A. España (periodo de validación)
aDResearch_No3.indb 78 04/01/11 9:12
79Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
En cuanto a las contribuciones realizadas por
cada variable a las ventas, los gráficos adjuntos,
separados por grupos, presentan los resultados
más relevantes. En primer lugar, se presentan las
relaciones directas con la Marca A, después las
relaciones con la otra marca (Marca B) del mismo
fabricante, para terminar con la influencia de las
variables relativas a los competidores 1 y 2. Los
resultados de Alemania se incluyen en el Gráfico
5, en el que se puede observar qué herramientas
de comunicación y qué GRPs en publicidad afec-
tan más a las ventas. En un tono gris oscuro apa-
recen las contribuciones positivas (es decir, a me-
dida que aumenta esa variable, también aumentan
las ventas), y en gris claro aparecen las contribu-
ciones negativas (cuanto más aumenta la varia-
ble, menores son las ventas de referencia).
Por ejemplo, para la Marca A, en Alemania,
todas las contribuciones son positivas, excepto la
variable “precio promoción”. Incluso la variable
precio, que se espera tenga una contribución ne-
gativa, aparece con valores positivos, aunque
prácticamente insignificantes (0,68%).
En España, las contribuciones se presentan
en el Gráfico 6. No obstante, el grupo de compe-
tidores significativo, está formado tan solo por la
marca del distribuidor. También en este caso se
puede observar la importancia de la publicidad
y la comunicación a las ventas generadas poste-
riormente. (Ver gráfico nº 6, pág. 78)
El análisis de las contribuciones difiere en
cada país, ya que las condiciones de competen-
cia, etc. son sensiblemente distintas, y el com-
portamiento de la presión publicitaria (GRPs)
Gráfico 5 · Contribuciones a las ventas por grupos de variables. Alemania.
aDResearch_No3.indb 79 04/01/11 9:12
aDResearch ESIC80 Primer semestre, enero-junio 2011
también lo es. De hecho, el resultado más signi-
ficativo es que en Alemania, un mercado con
una estructura competitiva más compleja al te-
ner un mayor número de marcas en competen-
cia, la presión publicitaria no ejerce ninguna in-
fluencia significativa sobre las ventas de la marca
A, pero sin embargo sí lo hace la comunicación
publicitaria de la marca B (0,96%)
En el caso de Alemania, el “precio promo-
ción” y la distribución son los elementos que
más afectan a las ventas desde el punto de vista
de la gestión de la Marca A. Por otro lado, tal
como se presenta el estudio de la variable publi-
citaria, la inversión no parece tener un efecto
importante sobre las ventas de la marca. En el
mismo sentido, aparece un efecto imprevisto en
la contribución de la presión publicitaria del
competidor 2 (GRP’s Comp. 2), ya que es positi-
va y, por lo tanto, un aumento en la actividad
publicitaria de la competencia, beneficia a la
marca A. Este efecto, sin embargo, no es nuevo
en la literatura, y se pueden encontrar estudios
en los que la presión publicitaria beneficia a toda
una categoría, y muy especialmente al líder de la
misma (Simester, Hu, Brynjolfsson, & Anderson,
2009).
De hecho, el efecto de positivo de la inversión
publicitaria del “competidor 2” es incluso mayor
que el efecto de la marca B, siendo esta del mis-
mo fabricante (1,95%).
Los resultados para España muestran un es-
quema más acorde con lo encontrado en la lite-
ratura, en el que la influencia de la presión pu-
blicitaria de la marca A es positiva y con una
importancia relativamente alta (1,42%), pero
muy lejos de los efectos de la distribución o del
Gráfico 6 · Contribuciones a las ventas por grupos de variables. España.
aDResearch_No3.indb 80 04/01/11 9:12
81Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania
precio (contribución negativa de 8,19). En el
mismo sentido que los resultados encontrados
para Alemania, la presión publicitaria de la mar-
ca B, perteneciente al mismo fabricante, ejercen
una influencia positiva sobre las ventas, pero de
menor intensidad que la de la propia marca
(0,50%). Todo ello, teniendo en cuenta o con-
trolando el resto de variables, entre las que el
precio de la marca B, supone la mayor contribu-
ción positiva sobre las ventas de A encontrada en
el estudio (53,94%).
6. Conclusiones y limitaciones de la investigaciónTras el análisis de los resultados obtenidos, se
confirma el efecto sinérgico de las marcas de un
mismo fabricante y se confirma la Hipótesis 3
(H3), aunque la contribución de la presión pu-
blicitaria a las ventas es sensiblemente inferior a
las variables “precio” y “distribución”, que pare-
cen ser la clave en este mercado. Estas dos últi-
mas variables mantienen su importancia relativa
en un mercado geográficamente distinto, y las
contribuciones de la inversión publicitaria si-
guen siendo modestas en relación a ellas, hallaz-
go que corroboran otros estudios de la materia y
confirma la Hipótesis 1 (H1).
No obstante, el efecto negativo de la presión
publicitaria de la competencia no se confirma, y
aparece un efecto de “sinergia hacia la categoría”,
que beneficia a la marca estudiada. Por tanto, se
rechaza H2, y se hace necesario profundizar en
las razones que hacen que este efecto esté pre-
sente en mercados de gran consumo. Las impli-
caciones gerenciales pueden ser muy relevantes,
ya que todas las variables elegidas son acciona-
bles, y los resultados pueden mostrar cursos de
acción que beneficien a las marcas o a toda una
categoría de productos.
A través de la investigación desarrollada, pa-
rece clara la capacidad predictiva de las redes
neuronales, así como su capacidad para extraer
información útil para las decisiones de comuni-
cación dentro de la estrategia de marketing. Des-
de el punto de vista de la publicidad y el marke-
ting, los resultados proporcionan herramientas
muy interesantes para el estudio de la publici-
dad en las relaciones entre productos y/o marcas
de un mismo fabricante.
La extensión de este tipo de investigaciones al
ámbito internacional supone una perspectiva
poco explorada, pero necesaria para poder com-
prender mejor los mecanismos de la publicidad,
los instrumentos del marketing y sus interaccio-
nes. No obstante, sería deseable incorporar un
número mayor de mercados, así como disponer
de series temporales de mayor longitud que con-
soliden los resultados aquí presentados.
aDResearch_No3.indb 81 04/01/11 9:12
aDResearch ESIC82 Primer semestre, enero-junio 2011
Bibliografía
Abraham, M. & Lodish, L. (1987). An implemented system
for improving promotion productivity using store scanner
data. Marketing Science, 12 (3), 248-269.
Andersson , J. y Lyhagen, J. (1999). A long Memory Panel
Unit Root Test: PPP revisited. Working Paper Series in Eco-
nomics and Finance, Nº 3030. Stockholm School of Econo-
mics.
Arnold, S. J., Oum, T. H., Pazderka, B. & Snetsinger, D. W.
(1987). Advertising quality in sales response models. Jour-
nal of Marketing Research, 24 (1), 106-113.
Assmus, G., Farley, J. U., & Lehmann, D. R. (1984). How
Advertising Affects Sales: Meta-Analysis of Econometric Re-
sults. Journal of Marketing Research, 21(1), 65.
Baltagi, B. H., Heun Song, S., Cheol Jung, B. & Koh, W.
(2007). Testing for serial correlation, spatial autocorrelation
and random effects using panel data. Journal of Econometrics,
140 (1), 5-51.
Barksdale, H. C., Hilliard, J. B., Guffey Jr. & Hugh, J.
(1974). Spectral analysis of advertising-sales interaction: an
illustration. Journal of Advertising, 3 (4), 26-39.
Bass, F. M., & Clarke, D. G. (1972). Testing Distributed Lag
Models of Advertising Effect. Journal of Marketing Research,
9(3), 298.
Beckwith, N. E. (1972). Multivariate Analysis of Sales Res-
ponses of Competing Brands to Advertising. Journal of Mar-
keting Research, 9(2), 168.
Benesch, C. (1952). Sales Tests as a Measure of Advertising
Effectiveness. Journal of Marketing, 17(2), 178.
Berkowitz, D., Allaway, A., & Souza, G. D. (2001). Estima-
ting Differential Lag Effects for Multiple Media Across Mul-
tiple Stores. Journal of Advertising, 30 (4), 59-65.
Bernard, A. y Jones, C. (1986). Productivity across Indus-
tries and Countries: Time Series Theory and Evidence. Re-
view of Economics and Statistics, 78, pp. 135-146.
Bhargava, A., Franzini, L. & Narendranathan, W. (1982).
Serial correlation and the fixed effects model. Review of Eco-
nomic Studies, 49, 533-549.
Breitung, J. & Meyer, W. (1994). Testing for unit roors in
panel data: are wages on different bargaining levels cointe-
grated. Applied Economics, 26, 336-353.
Capps, O. (1989), Utilizing Scanner Data to Estimate Retail
Demand Functions for Meat Products, American Agricultur-
al Economics Association, 71 (3), 750-760.
Chee Wooi, L. & Kirikoshi, T. (2008). Understanding the
effects of pharmaceutical promotion: a neural network ap-
proach guided by genetic algorithm-partial least squares.
Health Care Management Science, 11(4), 359-372.
Clarke, D. G. (1973). Sales-Advertising Cross-Elasticities
and Advertising Competition. Journal of Marketing Research,
10(3), 250.
Clarke, D. G. (1979). Measuring the Cumulative Effects of
Advertising on Sales: A Response to Peles. Journal of Marke-
ting Research, 16(2), 286.
Danaher, P. J., Bonfrer, A., & Dhar, S. (2008). The Effect of
Competitive Advertising Interference on Sales for Packaged
Goods. Journal of Marketing Research, 45(2), 211-225.
Demirdjian, Z. S. (1983). Sales effectiveness of comparative
advertising: an experimental field investigation. Journal of
Consumer Research, 10 (3), 362-364.
Dhar, S. K. y Hoch, S. J. (1996), Price Discrimination Using
In-Store Merchandising, Journal of Marketing, 60 (1), 17-30.
Dubé, J.-P., & Manchanda, P. (2005). Differences in Dyna-
mic Brand Competition Across Markets: An Empirical
Analysis. Marketing Science, 24(1), 81-95.
Dubinsky, A. J., Barry, T. E. & Kerin, R. A. (1981). The sales-
advertising interface in promotion planning. Journal of Ad-
vertising, 10 (3), 35-41.
Farris, P. W. & Reibstein, D. J. (1984). Overcontrol in adver-
tising experiments. Journal of Advertising Research, 24(3),
37-42.
Franses, P. H. (2006). Estimating confidence bounds for
advertising effect duration intervals. Journal of Marketing,
35(2), 33-37.
Freeman, P. & Rennolls, K. (1994). Modelling methodolo-
gy: basics to neural nets. A return to ignorance? Journal of
the Marketing Research Society, 36 (1), 69-77.
Gius, M.P. (2004). Analysis of advertising in the US cigarette
industry. Journal of Business & Economic Studies, 10 (1), 29-34.
Gold, L. N. (1992). Let’s heavy up in St. Louis and see what
happens. Journal of Advertising Research, 32 (6), 31-38.
aDResearch_No3.indb 82 04/01/11 9:12
83Bibliografía
Gómez, Carmen (1997), ¿Qué pasa con las Promociones en
el Punto de Venta?, IPMark, 482, 44-46.
Hadri, K. (1998). Testing for Stationarity in Heterogeneous
Panel Data. Working Paper. Department of Economics. City
University. London.
Hadri, K. (1999). Testing the Null Hypothesis of Stationari-
ty against the Alternative of a Unit Root in Panel Data with
Serially Correlated Errors. Working Paper. Department of
Economics. City University. London.
Hansen, F., Hansen, L. Y., & Grønholdt, L. (2002). Mode-
lling purchases as a function of advertising and promotion.
International Journal, (1979), 115-135.
Helmer, R. M., & Johansson, Johny K. (1977). An Exposi-
tion of the Box-Jenkins Transfer Function Analysis with an
Application to the Advertising-Sales Relationship. Journal of
Marketing Research, 14(2), 227.
Holak, S. L., & Tang, Y. E. (1990). Advertising’s Effect on the
Product Evolutionary Cycle. Journal of Marketing, 54(3), 16.
Hruschka, H. (2001). An artificial neural net attraction mo-
del (ANNAM) to analyze market share effects of marketing
instruments. Schmalenbach Business Review, 53 (1), 27-40.
Hruschka, H. & Natter, M. (1999). Comparing performan-
ce of feedforward neural nets and K-means for cluster-based
market segmentation. European Journal of Operational Re-
search, 114 (2), 346-353.
Inman, J. J. & Mcalister, L. (1993). A Retailer Promotion
Policy Model Considering Promotion Signal Sensitivi-
ty, Marketing Science, 12 (4), 339-356.
Johansson, J. K. (1979). Advertising and the S-Curve: A
New Approach. Journal of Marketing Research, 16(3), 346.
Kvaal, K. & Djupvik, H. (1996). Prediction of customer
segments with neural nets. Marketing&Research Today, 29,
247-253.
Kwiatkowski, D., Phillips, P.C., Schmidt, P.J. & Shin, Y.
(1992). Testing the null hypothesis of stationarity against
the alternative of a unit root: how sure are we that economic
series have a unit root?. Journal of Econometrics, 56, 285-
302.
Leach, D., & Reekie, W. D. (1996). A natural experiment of
the effect of advertising on sales: the SASOL case. Applied
Economics, 28(9), 1081-1091.
Levin, A. & Lin, C. (1992). Unit root tests in panel data:
asymptotic and finite-sample properties. Discussion paper
92-23.
Litwak, D. (1996), What price sales glory?, Supermarket
Business, 51 (7), 25-35.
Luan, Y. J., & Sudhir, K. (2010). Forecasting Marketing-Mix
Responsiveness for New Products. Journal of Marketing Re-
search, 47(3), 444-457.
Mann, D. H. (1975). Optimal Theoretic Advertising Stock
Models: A Generalization Incorporating the Effects of Dela-
yed Response from Promotional Expenditure. Management
Science, 21(7), 823-832.
Moore, K., Burbach, R. & Heeler, R. (1995). Using neural
nets to analyze qualitative data. Marketing Research, 7 (1),
34-39.
Mulhern, F. J. & Padgett, D. T. (1995), The Relationship
Between Retail Price Promotions and Regular Price Purchas-
es, Journal of Marketing, 59 (4), 83-90.
Narasimhan, C., Neslin, S. A. & Sen, S. K. (1996), Promo-
tional Elasticities and Category Characteristics, Journal of
Marketing, 60 (2), 17-30.
Parsons, L. J. (1976). A Rachet Model of Advertising Carr-
yover Effects. Journal of Marketing Research, 13(1), 76.
Peles, Y. C. (1979). Econometric Measurement of the Dura-
tion of Advertising Effect on Sales: A Comment. Journal of
Marketing Research, 16(2), 284.
Poh, H., Jingtao, Y. & Teo, J. (1998). Neural networks for
the analysis and forecasting of advertising and promotion
impact. International Journal of Intelligent Systems in Accoun-
ting Finance & Management, 7 (4), 253-268.
Silva, M., Moutinho, L., Coelho, A. & Marques, A. (2009).
Market orientation and performance: modleling a neural
network. European Journal of Marketing, 43 (3/4), 421-437.
Simester, D., Hu, Y. (Jeffrey), Brynjolfsson, E., & Anderson,
E. T. (2009). Dynamics of Retail Advertising: Evidence
From a Field Experiment. Economic Inquiry, 47(3), 482-499.
Suárez, M.G. (2005). Shelf space assigned to store and na-
tional brands: a neural networks analysis. International Jour-
nal of Retail & Distribution Management, 33 (11), 858-878.
aDResearch_No3.indb 83 04/01/11 9:12
aDResearch ESIC84 Primer semestre, enero-junio 2011
Tellis, G. J., & Weiss, D. L. (1995). Does TV Advertising
Really Affect Sales? The Role of Measures, Models, and Data
Aggregation. Journal of Advertising, 24 (3), 1-20.
Vanecko, J.J. & Russo, A.W. (1999). Data mining and mode-
ling as a marketing activity. Direct Marketing, 62 (5), 52-55.
Vivaracho, C.E. & Moro, Q.I. (2001). A comparative study
of MLP-based artificial neural networks in text-independent
speaker verification against GMM-based systems. Euros-
peech Scandinavia.
Winer, R. S. (1980). A Longitudinal Model to Decompose
the Effects of an Advertising Stimulus on Family Consump-
tion. Management Science, 26(1), 78-85.
Wittink, Dick R.; M. J. Addona; W. J. Hawkes & J. C. Porter
(1987), SCANPRO: a model to measure short-term effects
of promotional activities on brand sales, based on store-
level scanner data, Working Paper, Johnson Graduate
School of Management, Cornell University, Ithaca, New
York.
Yustas López, Yolanda (1997), Avanzando en el Análisis de
la Actividad Promocional. La Nueva Tecnología Escán-
er, MK. Marketing+Ventas, 120, 35-39.
Zahavi, J. & Levin, N. (1997). Applying neural computing
to target marketing. Journal of Direct Marketing, 11 (1),
5-22.
Zhang, Y., Jansen, B.J. & Spink, A. (2009). Identification of
factors predicting clickthrough in Web searching using neu-
ral netword analysis. Journal of the American Society for Infor-
mation Science & Technology, 60 (3), 557-570.
aDResearch_No3.indb 84 04/01/11 9:12